CC BY
99УДК 002.53+004.65+004.62/. 63+338.2
ПРОГНОЗ РАЗВИТИЯ ПАРАМЕТРОВ ИННОВАЦИОННЫХ ПРОЕКТОВ С УЧЕТОМ ИХ ВЗАИМОВЛИЯНИЙ ДРУГ НА ДРУГА НА ОСНОВЕ КОГНИТИВНЫХ КАРТ
Л. А. МЫЛЬНИКОВ,
кандидат технических наук, доцент кафедры микропроцессорных средств автоматизации
E-mail: leonid@pstu. ru Пермский национальный исследовательский политехнический университет
В статье предлагается методика, позволяющая уточнять данные прогнозов развития параметров инновационных проектов на основе инновационной и S-образной кривых. Подход основывается на выявлении взаимосвязей между параметрами и учете их взаимовлияния друг на друга путем добавления новых корректирующих данных для построения прогнозирующих кривых. Подход позволяет уменьшить величину ошибки при построении прогнозов развития инновационных проектов.
Ключевые слова: значение, узел, инновация, соинновация, кривая жизненного цикла, инвестиционный проект, прогноз, параметры проекта.
Введение
Проблема принятия решений при управлении инновационными проектами является чрезвычайно актуальной. Экономика передовых стран основывается на знаниях, научных достижениях, передовых технологиях. Традиционные источники экономического роста - новые сырьевые ресурсы, неосвоенные территории, дешевая рабочая сила и т. д. - практически исчерпаны. В условиях глобальной экономики капитал мобилен, технологии распространяются быстро, товары производятся в странах с низкими издержками и поставляются на рынки развитых стран. В этих условиях основным источником конкурентных преимуществ и развития
являются инновации во всех сферах [2]. Для перехода к практической работе в области внедрения инноваций необходимы прежде всего объективные методы изучения инновационных процессов.
В настоящее время наблюдаются тенденции к более частой смене выпускаемой продукции, увеличению номенклатуры продукции, сокращению времени внедрения в производство. При этом увеличивается время жизни производства в связи с тем, что сложность и стоимость оборудования увеличиваются (рис. 1).
Важным является не бездумное внедрение инноваций, которые могут приносить не только желаемую прибыль, но и сложности и убытки, приводя к такому явлению, как инновационный регресс по одному или ряду параметров инновационного проекта (рис. 2 а, б).
Поэтому в каждом конкретном случае важным является умение оценивать то, какие изменения будут наиболее востребованными, когда их стоит внедрять и в течение какого времени они смогут приносить прибыль.
Развитие теории и практики внедрения и управления инновациями пошло путем решения локальных задач. Детализация задач привела к множеству методов и подходов, решающих небольшие специфические задачи. По причине сложности управления инновациями как единой системой в
ЭКОНОМИЧЕСКИЙ АНАЛИЗ: Ш5б7>ЪЯ те ЪР*?жг(Ъ4
55
Количество вариантов продукции
Жизненный цикл продукта
Комплексная производственная система Количество компонент
Время запуска в производство Время жизни производства
+
Рис. 1. Изменение основных тенденций [18]
а о
н и
^ о
Е я
3 я
а о
=2 я
и о я я я
Инновационный прогресс
03 =3
С
Инновационный регресс
а б
Рис. 2. Инновационный прогресс (а) и инновационный регресс (б)
настоящее время речь идет о решении локальных задач управления в рамках одной из подсистем инновационного проекта, решении задачи в рамках одного типа инновации либо о решении задачи в рамках какой-либо одной научно-технической, организационной или технологической идеи.
Исходя из этого, можно сказать, что проблема стратегического управления на уровне предприятий с учетом существующего рынка инноваций является чрезвычайно актуальной в связи с тем, что удачная модернизация выпускаемой продукции и самого производства становится главным стратегическим преимуществом, значительно более важным, чем рынок дешевой рабочей силы.
В настоящее время широко применяется множество подходов информационного и институционального управления в условиях ограничения, управления финансами, методов стратегического планирования и т. д. (например, модель Шапиро -Стиглица [22], модель общих характеристик [12], модель «формирование команды» [24, 28] и др.). Для эффективного применения всех этих подходов необходимы данные прогнозов.
При этом стоит отметить, что подходы к прогнозированию инновационных проектов развиваются несколькими путями [9]: это подходы, осно-
►
ванные на экспертных оценках, подходы, выявляющие тенденции и правила (см., например, работу [15]), прогнозирование обобщенных показателей конкретного проекта на основе инновационной или S-образной кривой (см., например, работы [16, 7]), прогнозирование развития отдельных параметров проекта с использованием кривых (см., например, [1, 6]).
Несмотря на разнообразие методов прогнозирования, они имеют низкую точность. Это связано с дефицитом методологических подходов к системно-t му моделированию инновационных проектов и управлению планированием производства с учетом динамики изменения внешних условий, регулярному появлению новых научных разработок [2, 3, 9].
Сложность решения связана с тем, что каждый проект зависит от множества переменных и параметров, которые взаимосвязаны и оказывают влияние друг на друга. Даже если предположить, что некоторыми параметрами можно пренебречь, то все равно останется набор некоторых важных параметров, значимость влияния которых на результат решения задачи высока, и нельзя не учитывать их взаимосвязи между собой.
Параметры инновационных проектов переживают несколько этапов развития, которые описываются либо с помощью инновационной кривой [8], либо с помощью S-образной кривой [4]. Вид кривой, которая будет описывать параметр, зависит от того, какой параметр она описывает. Инновационной кривой описываются экономические параметры (прибыль, объем продаж, доля рынка, которую занимает фирма или продукт, количество конкурирующих фирм или продуктов, количество людей, привлеченных к работе над проектом, качество продукции и др. [20, 21]). Технические, технологические и некоторые другие параметры
t
ь
ш
го Si ГО
I-
ш
в * г
Рис. 3. Примеры кривых, описывающих параметры проекта: а - г - различные стадии развития
описываются S-образной кривой (стоимость разработки или внедрения новой технологии, индекс производительности, степень зрелости технологии или процесса и др. [10, 23, 7]), которая показывает степень развития технологии и перспективы ее модернизации (иногда инновационную и S-образную кривые не различают, тогда последняя считается частным случаем первой).
Разные параметры инновационного проекта могут в одно и то же время находиться на разных стадиях развития и описываться своей функциональной зависимостью (рис. 3).
Таким образом, задача управления инновационными проектами сводится к задаче оценки потенциала развития по каждому из параметров и выработке решений, приводящих к прогрессу по множеству параметров.
В процессе развития проекта каждый параметр переживает несколько вех своего развития (рис. 3). Поэтому, оценив стадию, на которой находится отдельный параметр и проект в целом, можно качественно оценить потенциал роста, перспективы развития и выработать решения, которые приведут к прогрессу.
Однако изменение значения параметров оказывает влияние на другие параметры. Таким образом, учитывая это влияние, можно повысить точность
прогнозов, а также при принятии решения об изменении одного из значений параметров для положительного изменения состояния проекта учесть возможные последствия на другие характеристики проекта.
Кроме того, на динамику развития параметров проекта влияют такие внешние факторы, как появление новых разработок по тематике проекта и потребности производства в рассматриваемой предметной области. Эти параметры также могут описываться при помощи инновационных кривых. Данными для их построения станут величины, приведенные в табл. 1 [26].
Учет этих факторов дополнительно усложняет задачу учета взаимовлияний, так как они будут содержать ошибку, но это позволит учесть способность инновационных
Таблица 1
Индикаторы жизненного цикла технологии
Фактор научно-исследовательской активности Индикатор
Фундаментальные исследования Количество записей в одной из систем цитирования (например, в Science Index Citation)
Прикладные исследования Количество записей в одной из систем цитирования (например, в Engineering Index)
Разработки Количество патентов
Приложения Количество статей и тезисов на конференциях
Социальный фактор Количество публикаций в неспециализированной прессе
Распространение Количество технологий потомков
Востребованность технологии Количество запросов в патентных базах
Приложения Количество товаров на рынке с использованием рассматриваемой технологии
Рост технологии Количество запросов к статьям
Географическое распространение Количественные показатели факторов научно-технической активности в регионе
Количество просчетов Количество ошибок, связанных с внедрением технологии на собственном предприятии
Поддержка технологии Количество стандартов, объем правительственных и частных инвестиций в данный сектор
t
t
t
ЭКОНОМИЧЕСКИЙ АНАЛИЗ: Ж£брпя ъ ЪР*?жг(Ъ4
57
проектов адаптироваться к изменяющимся внешним условиям.
Такие системы относятся к классу «мягких» систем. Для анализа «мягких» систем П. Чекладом [14] была предложена методология «мягкого» системного анализа. Эта методология является системно организованным процессом исследования плохо определенной системы, включающим в себя ряд последовательных этапов для принятия решения по управлению ситуацией.
Методика применения когнитивных карт
Задача прогнозирования совместного изменения факторов в «мягкой» динамической ситуации определяется как задача разработки субъективной модели ситуации на основе экспертно измеренных значений факторов. Эта субъективная модель фиксируется в виде ориентированного знакового графа - когнитивной карты [11], которая будет индивидуальной для каждого проекта. Однако этот субъективизм, заключающийся в связях и весах,
Географическая распространенность в месте производства
Научно-исследовательская активность
Количество фирм, работающих в сфере
Прибыль от продажи
Спрос на рынке
Количество заказов
Объем выпуска
Рис. 4. Основные параметры, влияющие на принятие решения при выпуске инновационного продукта, и взаимосвязь между ними
V.
Количество
поломок выпускаемой продукции
позволяет учесть такие слабо измеримые факторы, как особенности конкретной инновации, особенности производства конкретного предприятия или выпускаемого изделия, социокультурные факторы, существующие в месте производства и продажи, и т. п.
Однако крупные составляющие для всех инновационных проектов будут одинаковы и могут быть выделены из существующих структурных моделей инновационных проектов (см., например, работу [7]). Пример неразмеченной когнитивной карты представлен на рис. 4.
Для разметки данной когнитивной карты могут использоваться данные экспертов. Причем веса w.. могут быть расставлены любым из известных способов (ранжирование, весовые коэффициенты, вероятностный подход и т. п.), однако это не позволит минимизировать ошибки самих данных, так как когнитивное моделирование с помощью обычных знаковых графов имеет ряд существенных недостатков. В частности, оно страдает излишней жесткостью, не позволяя ранжировать по степени влияния положительные и отрицательные связи, особенно
в условиях многоцелевого задания. Поэтому автор работы [19] и ввел понятие нечетких когнитивных карт, представляющих собой взвешенные ориентированные графы.
В таких случаях для минимизации накопления ошибок в результате экспертных оценок узлы когнитивной карты рассматривают как нейроны в нейронных сетях и присваивают им некоторую функцию о. [13].
Обозначим через Ж- матрицу исходящих весов, О -вектор исходящих
Количество изделий на основе оцениваемой технологии
1 1 к
Объем инвестиций в Востребованность
сферу Л технологии
Количество ошибок при принятии решения
Затраты на производство
Количество сотрудников, занятых в проекте
состояний, net - вектор новых значений. Тогда первое значение для net может быть вычислено по формуле
net = WO,
где O - вектор начальных исходящих состояний.
Новые значения для вектора O вычисляются по следующей формуле [13]:
1
°i =-.
1 + exp(-net t)
Или то же самое в общем виде
o (t)=— 1
1 + exp
-Z w ° j (t -1)
где ^ - номер итерации.
Размеченная когнитивная карта представлена на рис. 5.
Согласование когнитивного подхода и подхода на основе инновационных кривых
Параметры инновационных проектов подчиняются определенным закономерностям (развитие по
Географическая распространенность
1
в месте производства
5 Научно-исследовательская активность
Количество фирм, работающих в сфере 2 V J
W2,3 ' ч
3 Спрос на рынке
W4,3 1 г °4
4 Количество заказов
Прибыль от продажи
8 Объем выпуска
°,
Рис. 5. Размеченная когнитивная карта для основных параметров, влияющих на принятие решения при выпуске инновационного продукта
Количество
поломок выпускаемой продукции
инновационным и S-образным кривым), которые не учитываются подходом на основе когнитивных карт.
Чтобы учесть эти закономерности и взаимовлияние параметров друг на друга, новые значения о. для /-го параметра следует скорректировать, учтя для этого влияние законов развития.
Прогнозирование на основе кривых развития осуществляется на основе существующих статистических данных о развитии параметра до текущего момента времени. Тогда для учета законов развития к существующим значениям необходимо добавить новое значение, полученное с применением когнитивной карты, и осуществить новый расчет прогнозируемых значений для этого же момента времени [1, 6, 8]. Полученные в результате такого расчета значения можно принять как исходные для следующего шага на основе когнитивных карт. Таким образом, новые значения будут уточнены и будут учитывать как законы развития параметров инновационного проекта, так и взаимовлияние различных параметров друг на друга.
Для осуществления такого расчета необходимо определить, какому моменту времени в развитии проекта будет соответствовать новая точка, полученная с помощью когнитивных карт. Эта сложность связана с различными шкалами измерения. Временная шкала инновационной и S-образной кривых соответствует реальному времени, а шкала времени подхода на основе когнитивных карт измеряется шагами, и к реальному времени могут быть привязаны лишь начальные значения для расчета.
Поэтому на практике можно применять градуирование времени когнитивной карты. Как известно, процессы, которые от-
Количество изделии на основе исследуемой технологии
10
°
Объем инвестиций в °ii Востребованность
6 сферу 11 технологии
W7. «-
Количество ошибок при принятии решения
12
w,.
О
13 Затраты на
производство
Количество сотрудников, занятых в проекте
°
1,5
7
w
7,8
°
8
W.
8,4
w
9,8
9
ЭКОНОМИЧЕСКИЙ АНАЛИЗ: Ж£брпя -и ЪР*?жг(Ъ4
рабатываются при помощи когнитивных карт, могут проигрываться в обе стороны (как в будущее, так и в прошлое). Направление, в котором происходит моделирование, зависит от решаемой задачи. Для инновационных проектов искомым положением является будущее, и при этом особенностью таких проектов является то, что статистическая информация о предыдущих состояниях всегда известна. Поэтому существует возможность проиграть ситуацию в прошлое и установить, какому моменту времени будет соответствовать наиболее близкое состояние параметров проекта (метод обратной верификации когнитивной карты [6]). Полученная разница во времени Дг будет соответствовать времени одного шага.
Другая особенность, которую следует учитывать, связана с прогнозированием с использованием инновационной кривой. Чтобы осуществлять прогнозирование на основе инновационной кривой, необходимо выбирать точки перехода с одной стадии на другую (рис. 6). Данные точки выбираются исходя из различных известных закономерностей для разных параметров, описываемых этой кривой (например, для параметра «доля рынка» площадь фигуры, ограниченной инновационной кривой на этапе выхода, должна составлять 3 % от всей площади фигуры, на этапе роста - 13 %, на этапе зрелости до достижения пика - 34 % от общей площади, последнему этапу спада соответствует 16 % площади фигуры, ограниченной инновационной кривой) [21].
Чтобы найти эти точки перехода с одной стадии на другую, существуют различные подходы. Однако все они используют различные методы аппроксимации функций (интерполяция, экстраполяция, ручное определение точек перехода между стадиями). Поэтому искомые точки перехода с одной стадии на другую будут лежать именно на этой кривой. Введение в данные расчета новой точки, полученной с помощью когнитивных карт, скажется на положении этой кривой и, как следствие, на положении инновационной кривой, рассчитываемой на основе этих данных [6].
Можно предположить, что существуют параметр ы, которые
не будут описываться известными типами кривых, или возникнут сомнения в полном соответствии какого-либо параметра одному из предложенных типов кривых (например, в некоторых случаях могут появляться такие параметры, как уровень эмансипации женщин; в степени соответствия той или иной кривой нет полной уверенности). В этом случае значение такого параметра может не уточняться и оставаться равным значению, полученному на основе когнитивных карт.
Таким образом, для получения и уточнения значений развития параметров инновационного проекта может быть применен алгоритм, представленный на рис. 7.
Построение когнитивных карт для предметной области
В качестве примера рассмотрим один из параметров инновационного проекта, описываемый с помощью S-образной кривой - насыщенность рынка.
Из литературы известно, как насыщались рынки отдельных товаров. Например, насыщение рынка цветных телевизоров приведено в табл. 2.
Для простоты оперирования и построения сделаем сдвиг оси времени. Перенесем ее ноль в точку 1964. Тогда данные примут вид, представленный в табл. 3.
Выполним расчет S-образной кривой с использованием кривой Перла [4] (для описания кривой
I-
ш 2 го а го
Пример экстраполирующей кривой
Уо,
Рис. 6. Инновационная кривая
г
г
г
2
Создание когнитивной карты узлов/параметров, М связей)
Привязка когнитивной карты к шкале времени на основе статистических данных
Выбор момента времени г0, Ж и начальных значений О (г0), к = 0
Определение, какой кривой (инновационной или S-oбpaзнoй) может описываться каждый из N параметров
Таблица 2
Зависимость насыщения рынка цветных телевизоров от года [27]
Год Насыщенность
1964 0
1972 5
1976 15
1979 35
1982 70
1985 85
1988 90
1991 96
1994 99
1997 100
Получение новых значений О (гк _ 1) на основе когнитивной карты
Построение для каждой переменной графика статистических данных
Добавление на графики данных, полученных в результате расчетов на основе когнитивных карт О (гк _ 1)
Инновационная кривая
Определение новых точек
перехода с этапа на этап
1 г
Построение прогнозирующей
инновационной кривой [23]
Парам' описьп крив!
Построение прогнозирующей S-oбpaзнoй кривой [19]
Т
О (гк_ 1) = Значения, полученные на основе прогнозирующих кривых для момента времени гк _ 1
Таблица 3 Зависимость насыщения рынка
цветных телевизоров от года
Год Насыщенность
0 0
8 5
12 15
15 35
18 70
21 85
24 90
27 96
30 99
33 100
к = к + 1
Нет
Рис. 7. Алгоритм уточнения параметров на основе совместного использования когнитивных карт и алгоритмов на основе инновационной и 8-образной кривых
ЭКОНОМИЧЕСКИЙ АНАЛИЗ: Ш5б7>ЪЯ те ЪР*?жгеЪ4
могут применяться и другие математические формализации)
k
У = ■
150
100
1 + ае
-ы
т—I—I—I—I—I—I—I
150 100 50 0
1—I—I—I—I—I—I—I
150 100 50 0
Т-1-1-1-1-1-1-1
0 8 1215182124273033
Рис. 8. Оценка насыщения рынка цветных телевизоров с использованием кривой Перла: а - по всем точкам; б - по первым пяти точкам; в - по первым четырем точкам
ту, приведенную ранее, и адаптируем ее к рынку цветных телевизоров. Основными факторами будут покупательная способность населения, количество фирм, производящих телевизоры, количество телевизионных каналов, вещающих в цвете, надежность выпускаемых изделий. При выполнении расчетов для параметров 3 и 5 (рис. 9) будем использовать статистические данные, а данные остальных параметров вычислять с использованием приведенной когнитивной карты. В результате верификации определим коэффициенты для построенной когнитивной карты.
При использовании выражения
о,. (Г) =- 1
где у - прогнозируемый параметр;
k - максимально достижимое значение параметра;
а, Ь - положительные коэффициенты, влияющие на вид кривой; t - время.
В результате получим значения параметров а = 334,58, Ь = - 0,351. После этого построим функцию, используя данные табл. 3 (рис. 8).
Однако умения построения функции, близкой к исходной, недостаточно для прогнозирования. Поэтому попробуем найти значения коэффициентов по меньшему количеству точек. При поиске значений коэффициентов по первым пяти точкам получим значения параметров а = 333,048, Ь = - 0,351. При поиске значений коэффициентов по первым четырем точкам получим значения параметров а = 265,404, Ь = - 0,327.
Построим полученные функции и выполним проверку их адекватности с использованием критерия согласия х2 [1]. Получаем, что функции адекватны с вероятностями соответственно 99 % (при использовании всех значений), 95 % (при использовании первых пяти значений) и 75 % (при использовании первых четырех значений).
Теперь построим когнитивную карту для оценки насыщенности рынка. Для построения когнитивной карты необходимо выделить факторы, которые будут осуществлять наиболее сильное влияние. В качестве основы возьмем когнитивную кар-
0 8 1215182124273033
б
0 8 1215182124273033
1 + ехр
"X * у0у (( -1)
для вычисления новых значений все данные должны быть проранжированы от 0 до 1. Тогда получим таблицу расчетных значений (табл. 4).
/— 3 \
Количество
телевизионных
каналов
/
*3,4 =-0,1
1 г
>
Насыщенность
4 рынка
-3 1 к *4,5 = 3
5 Объем выпуска
*6,5 ="10
Рис. 9. Пример когнитивной карты для оценки насыщенности рынка цветных телевизоров
в
Таблица 4
Данные прогноза, получаемые с использованием когнитивной карты
Год Номер параметра/узла
1 2 3 4 5 6
0 0 0 0,1 0 0 1
8 0,622459 0,993307 0,1 0,046976 0,05 0,5
12 0,816574 0,924142 0,2 0,185543 0,1 0,377541
15 0,8726 0,868493 0,3 0,437532 0,2 0,268941
18 0,914393 0,793263 0,45 0,655654 0,3 0,119203
21 0,954491 0,644744 0,6 0,839437 0,5 0,047426
24 0,974537 0,559006 0,7 0,94643 0,6 0,006693
27 0,983027 0,508365 0,8 0,971126 0,8 0,002473
30 0,989104 0,503091 0,9 0,985866 0,9 0,000335
33 0,993328 0,500419 1 0,989749 1 0,000123
Представленная когнитивная карта позволяет получать прогноз с адекватностью 99 % по критерию согласия х2. Однако точность подхода в первую очередь зависит от правильности составления когнитивной карты и подбора коэффициентов, что в большей степени является искусством, чем формальным методом.
При этом можно заметить, что отклонения при использовании метода, основанного на когнитивных картах, проявляются в основном в опережении значений, в то время как у метода, основанного на использовании S-образных кривых, в отставании значений. Эта тенденция будет сохраняться, если провести серию расчетов для разного количества используемых точек в случае S-образной кривой и серию расчетов с разными значениями весовых коэффициентов для метода на основе когнитивных карт. Поэтому можно
1,5 1 0,5 0
1,5
ожидать, что при совместном использовании по предложенному алгоритму точность прогноза повысится, что и происходит (рис. 10).
Как и следовало ожидать, использование приведенной методики дает повышение точности прогноза(табл. 5).
Таким образом, можно заключить, что применение предложенной методики дает повышение точности прогнозов параметров инновационных проектов, описываемых S-образными кривыми. Также можно предположить, что использование данного подхода повысит точность прогнозов параметров, описываемых инновационными кривыми, так как при их численном прогнозировании заложены те же принципы, что и при прогнозировании S-образных кривых (использование известных математических функций).
1,5
1
т-1-1-1-1-1-1-1
0 8 1215182124273033
0,5 0
0 8 1215182124273033
т—I—I—I—I—I—I—I—I
0 8 1215182124273033
а б в
Рис. 10. Оценка насыщения рынка цветных телевизоров при использовании кривой Перла
совместно с когнитивной картой: а - по всем точкам; б - по первым пяти точкам; в - по первым четырем точкам
Таблица 5
Оценка адекватности прогноза методом х2 при построении прогноза с использованием кривой Перла ^-образная кривая) и предложенной методики, %
Показатель При использовании всех точек При использовании первых пяти точек При использовании первых четырех точек
Кривая Перла 99 95 75
Совместное использование кривой Перла и когнитивных карт 99 99 95
ЭКОНОМИЧЕСКИЙ АНАЛИЗ: Ж£брпя -и ЪР*?жг(Ъ4
Заключение
Предложенный подход позволяет оценивать развитие параметров инновационных проектов и уточнять прогнозы, основанные на использовании данных инновационной и S-образной кривых.
Однако метод не лишен недостатков. Например, его нельзя использовать, если в результате градуирования шаг времени в когнитивных картах окажется сопоставимым с временем жизни всего проекта, так как получаемые точки будут слишком редко расположены на графике и могут исказить график на начальных этапах. Если проект находится на стадии роста, а точка получена на стадии спада, то эти данные могут быть неверно интерпретированы, и будет получен прогноз с очень долгой стадией роста.
Список литературы
1. Алькдироу Р.Х., Мыльников Л. А. Прогнозирование перспектив развития параметров инновационных проектов, описываемых S-образной кривой/VII Всероссийская школа-семинар молодых ученых «Управление большими системами»: сборник трудов. Пермь: ПГТУ, 2010. Т. 1.
2. Винокур В. М., Трусов А. В. Интеллектуальная собственность как основа интеллектуальной деятельности. Пермь: ПГТУ, 2004.
3. Ильенкова С. Д. Инновационный менеджмент. М.: ЮНИТИ, 2003.
4. Инновационный менеджмент: Концепции, многоуровневые стратегии и механизмы инновационного развития: учеб. пособие / под ред. В. М. Аньшина, А. А. Дагаева. М.: Дело, 2006.
5. Кулинич А. А. Компьютерные системы моделирования когнитивных карт: подходы и методы // Проблемы управления. 2010. № 3.
6. Мыльников Л. А., Алькдироу Р. Х. Подход к прогнозированию развития и управления жизненным циклом инвестиционных проектов / Управление большими системами: сборник трудов. Вып. 27. М.: ИПУ РАН, 2009.
7. Мыльников Л. А., Трусов А. В., Хорошев Н. И. Обзор концепций информационного управления инновационными проектами // Информационные ресурсы России. 2010. № 3.
8. AmbergM., Mylnikov L. Innovation project lifecycle prolongation method//Innovation and Knowledge Management in Twin Track Economies: Challenges & Solutions: Proc. Of the 11th Intern. Business Inform. Management Assoc. Conf. Cairo, 2009.
9. Armstrong J. S. Principies of Forecasting -A Handbook for Researchers and Practitioners. Kluwer Academic, 2001.
10. Atkinson W. I. Nanocosm: Nanotechnology and the big changes coming from the inconceivably small. New York, 2006.
11. Axelrod R. The Structure of Decision: Cognitive Maps of Political Elites. Princeton: University Press, 1976.
12. Beaufils B., Branouy O. Reputation games and the dynamics of exchange network. Lille: University of Science and Technology, 2004.
13. Carlsson C., Fuller R. Adaptive Fuzzy Cognitive Maps for Hyperknowledge Representation in Strategy Formation Process//Technical Report, IAMSR, Abo Akademi University, DataCity A 3210, SF-20520. Finland, 1996.
14. Checkland P. B. Systems Thinking, Systems Practice. New York: Willey, 1981.
15. CollopyF., Armstrong J. S. Rule-Based Forecasting: Development and Validation of an Expert Systems Approach to Combin-ing Time Series Extrapolations // Management Sci., 1992. № 10.
16. 1Delurgio S. A. Forecasting Principles and Applications. Boston: Irwin McGraw-Hill, 1998.
17. Easingwood C.J., Mahajan V., Muller E. A Nonuniform Influence Innovation Diffusion Model of New Product Acceptance//Marketing Science, 1983. № 2.
18. Kiefer J., Baer T., Bley H. Mechatronic-oriented Engineering of Manufacturing Systems - Taking the Example of the Body Shop (Daimler AG) / Proceedings of the 13th CIRP International Conference on Life Cycle Engineering, 2006.
19. Kosko B. Fuzzy Cognitive Maps // International Journal of Man-Machine Studies. 1986. Vol. 24.
20. Midgley D. F. Innovation and New Product Marketing. London: Redwood Burn Ltd, 2007.
21. Parmer R., Cockton J., Cooper G. Marketing success through good management practice. Oxford: Elsevir, 2007.
22. Shapiro C., Stiglitz J. Equilibrium unemployment as a worker discipline device // American Economic Review. Vol. 74. 1984.
23. Silverstein D., DeCarlo N., Slocum M. How to Achieve Competitive Excellence using TRIZ. NW: Taylor&Francis Group, 2008.
24. Steen E. V. On the origin of shared beliefs (and corporate culture). M.: MTI Working paper, 2003.
25. Utterback J.M. Mastering the Dynamics of Innovation. USA: Harvard Business School Press, 1994.
26. Wattsa R. J., Porter A. L. Innovation forecasting// Technological Forecasting and Social Change. Volume 56, Issue 1, 1997.
27. W^denweber B., Wickord W. Technologie -und Innovationsmanagement im Unternehmen. Berlin Heidelberg: Springer-Verlag, 2008.
28. Young P. The evolution of conventions // Econometrica. 1993. № 61.
64
ЭКОНОМИЧЕСКИЙ АНАЛИЗ: жгбТЪсЯ -и ЪРЛЖкЫ
